Der Datenengpass in Embodied AI
Rechenleistung und Modellarchitekturen sind bereit. Reale Roboterdaten sind es nicht. Ein Blick in den Datenengpass, der Embodied AI zurückhält, und die Pyramide dahinter.
Sprachmodelle der GPT-Klasse wurden auf nahezu dem gesamten öffentlichen Web trainiert: Billionen Wörter, die Milliarden Menschen bereits aus eigenen Gründen geschrieben und zurückgelassen hatten. Die Robotik hätte gerne ein Äquivalent. Sie hat keins. Es gibt kein gigantisches Korpus, in dem ein Roboter zehn Millionen Mal eine Tasse aufhebt, und kein Web-Crawler kann ein solches einfach erzeugen.
Das ist die stille Wahrheit hinter einem Großteil des Embodied-AI-Hypes. Die Modelle sind gut. Die Rechenleistung ist verfügbar. Das Rezept ist, nach dem Stand von 2026, weitgehend verstanden. Was fehlt, ist der Treibstoff: reale Daten von Körpern bei physischen Aufgaben, in der Menge und Qualität, die Sprachmodelle hat funktionieren lassen. Daten sind der limitierende Faktor, und es lohnt sich, genau zu erklären, warum.
Rechenleistung und Architektur sind nicht mehr das Hindernis
Vor ein paar Jahren konnte man noch dem Modell die Schuld geben. Heute kaum noch. Der vorherrschende Ansatz für die Steuerung verkörperter Systeme, das Vision-Language-Action-Modell (VLA), ist ein Transformer, der Pixel und eine Anweisung entgegennimmt und Aktionen ausgibt, und er ähnelt stark den Architekturen, die sich bereits bei Text und Bildern bewährt haben. Open X-Embodiment hat gezeigt, dass eine einzige Policy, die über viele Robotertypen hinweg trainiert wird, Policies schlägt, die jeweils nur auf einem trainiert wurden. NVIDIA Isaac GR00T und die Large Behavior Models des Toyota Research Institute sind, architektonisch betrachtet, nicht exotisch. Sie sind hungrig.
Gibt man einem dieser Modelle mehr gute Daten, verbessert es sich auf die gleiche glatte, vorhersehbare Weise, die wir bei Sprache gesehen haben. Das ist zugleich das Ermutigende und das Frustrierende daran. Der Hebel funktioniert. Der Hebel braucht Daten, die wir nicht haben.
Warum Sprache es leicht hatte
Text ist das Abgas des menschlichen Denkens. Wir produzieren ihn ständig, aus eigenen Gründen, und er liegt bereits digitalisiert vor. Ein Sprachmodell zu trainieren bedeutete, ein Nebenprodukt zu ernten, das ohnehin schon existierte. Physische Handlungen hinterlassen keine solche Spur. Wenn Sie die Spülmaschine ausräumen, wird keine Datei geschrieben. Die Gelenkwinkel Ihres Handgelenks, die Kraft in Ihren Fingern, die Reihenfolge, in der Sie die Dinge gegriffen haben, all das verflüchtigt sich in dem Moment, in dem Sie fertig sind.
Rechenleistung skaliert mit Kapital, und Architektur ist größtenteils ein gemeinsames Rezept. Der einzige Input, den man nicht von der Stange kaufen kann, ist eine Million Stunden Hände bei realen Aufgaben.
Embodied AI kann sich also nicht per Scraping zu einem Foundation Model hocharbeiten. Es muss seinen Trainingsdatensatz Aktion für Aktion selbst erzeugen, und das verändert die Ökonomie vollständig.
Die Datenpyramide
Eine nützliche Art, das Problem zu fassen, ist eine Pyramide: unten am breitesten und billigsten, oben am schmalsten und wertvollsten. Jede Stufe tauscht Fülle gegen Realitätstreue zu einem echten Roboter.
| Stufe | Quelle | Fülle | Realitätstreue zum Roboter | Grobe Kosten pro nutzbarer Stunde |
|---|---|---|---|---|
| Basis | Web-Text und -Bilder | Praktisch unbegrenzt | Niedrig: nur Semantik, keine Aktionen | Nahe null |
| Basis | Menschliche Videos aus dem Internet | Sehr groß | Niedrig bis mittel: zeigt Aufgaben, aber keine Aktions- oder Kraftlabels | Niedrig |
| Mitte | Simulation | Groß, bei Bedarf | Mittel: Physik ist nur angenähert, die Sim-to-Real-Lücke schlägt zu | Niedrig, plus Engineering |
| Spitze | Teleoperierte Roboter-Demonstrationen | Klein | Hoch: echter Roboter, echter Kontakt | Hoch |
| Spitze | Gezielt erstellte menschliche Demonstrationen | Klein, aber wachsend | Hoch: echte Hände, multimodal, erfordert Retargeting | Mittel bis hoch |
Die meisten ernstzunehmenden Pipelines nutzen die gesamte Pyramide. Man pretrainiert unten für breite visuelle und semantische Priors, bläht in der Mitte das Volumen mit Simulation auf und gibt sein knappes Budget oben aus, wo die Daten tatsächlich einem Roboter ähneln, der mit der Welt in Kontakt tritt. Der Kampf findet um diese oberste Stufe statt. Dort werden Policies zuverlässig, und dort liegt der teure Teil.
Die Verhältnisse zählen mehr, als es scheint. Eine Policy kann enorme Mengen billiger Basisdaten aufsaugen und trotzdem die letzte Meile verpassen, wenn ein paar Hundert realitätsgetreue Demonstrationen der exakten Aufgabe auf exakt der gleichen Hardware fehlen. Billige Daten setzen die Priors. Teure Daten formen das Verhalten. Stimmt die Mischung nicht, verschwendet man beides.
Teleoperation ist teuer, menschliches Video ist billig und roh
Zwei Wege, die Spitze der Pyramide zu füllen, mit entgegengesetzten Problemen.
Teleoperation setzt einen Menschen in die Schleife, der den tatsächlichen Roboter steuert, sodass jede Aufnahme perfekt mit den eigenen Aktionen und Sensoren des Roboters gelabelt ist. Das ist der Goldstandard für Realitätstreue. Es ist aber auch langsam und teuer: ein Operator, ein Roboter, annähernd in Echtzeit, eine Aufgabe nach der anderen. DROID und Community-Sammlungen wurden erst durch monatelange Koordination über viele Institutionen hinweg groß, und selbst dann sind sie neben einem Web-Korpus noch winzig.
Menschliches Video dreht den Kompromiss um. Menschen sind schnell, billig und geschickt und können Demonstrationen weit schneller erzeugen als jeder teleoperierte Roboter. Aber rohes menschliches Video enthält keine Aktionslabels, zeichnet keine Kraft auf und zeigt eine menschliche Hand, die auf einen anderen Endeffektor retargetiert werden muss. Es ist billiger zu sammeln und teurer zu verarbeiten. Diese Verarbeitung, das Extrahieren der Handpose, das Rekonstruieren von Trajektorien, das Hinzufügen der Sensorkanäle, die einem Video fehlen, ist die eigentliche Arbeit.
Keiner der beiden Wege ist eine Abkürzung. Teleoperation erkauft Realitätstreue mit Zeit, die man nicht komprimieren kann. Menschliches Video erkauft Volumen gegen eine Verarbeitungsrechnung, die man später bezahlt. Die Teams, die echten Fortschritt machen, behandeln beides als eine Lieferkette, die es zu konstruieren gilt, nicht als einen Datensatz, den man einmal herunterlädt.
Deshalb wird Erfassung zur Disziplin
Die Erkenntnis, die sich in diesem Feld verbreitet, lautet: Man kann das nicht in großen Mengen kaufen, und man kann es auch nicht vollständig fälschen. Google DeepMind und andere Gruppen haben sich auf große, sorgfältig gesammelte reale Demonstrationsdatensätze gestützt, und sie stoßen immer wieder an dieselbe Wand: Man bekommt ungefähr das heraus, was man hineinsteckt, und das Hineinstecken ist manuelle Arbeit. Datensätze wie RH20T existieren, weil jemand sich entschieden hat, kontaktreiche Manipulation gezielt, in großem Maßstab und mit angebrachten Sensoren zu erfassen.
Nichts davon macht die Modellarbeit unwichtig. Es verschiebt nur den Rahmen. Die interessante Frage für Embodied AI wandelt sich von können wir eine Policy entwerfen, die geschickte Aufgaben lernt zu können wir genug der richtigen Daten produzieren, um sie zu füttern. Die erste Frage ist fast beantwortet. Die zweite ist ein Logistikproblem im Gewand eines Forschungsproblems, und sie ist es, die entscheiden wird, wie schnell Roboter tatsächlich gut werden.